記憶容量制限下で時系列を逐次学習するニューラルネットワーク

• Item type: SIG Technical Reports(1)
• 公開日: 2004-12-20
• タイトル: 記憶容量制限下で時系列を逐次学習するニューラルネットワーク
• タイトル / 言語: en
• タイトル: Neural Network for Sequential Learning of Temporal Sequences under Restriction of Memory Capacity.
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 東北大学大学院工学研究科電気・通信工学専攻
• 著者所属: 東北大学大学院工学研究科電気・通信工学専攻
• 著者所属: 東北大学大学院工学研究科電気・通信工学専攻
• 著者所属(英): en
• 著者所属(英): Department of Electrical and Communication Engineering, Graduate School of Engineering, Tohoku University
• 著者所属(英): en
• 著者所属(英): Department of Electrical and Communication Engineering, Graduate School of Engineering, Tohoku University
• 著者所属(英): en
• 著者所属(英): Department of Electrical and Communication Engineering, Graduate School of Engineering, Tohoku University
• 著者名: 郷古学; 菅谷至寛; 阿曽, 弘具
• 著者名(英): Manabu, Gouko; Yoshihiro, Sugaya; Hirotomo, Aso
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文では，記憶容量制限下で時系列を逐次学習可能な，適応的逐次学習ネットワークモデル(Adaptive and Sequential Learning Network model : ASLN model)を提案する．提案モデルは入力として与えられる時系列情報の逐次学習が可能であり，記憶の忘却を行うことで記憶容量の有効利用を図りながら，周囲の環境の変化に適応的に知識を獲得する．モデルは入力時系列に含まれる要素と，その遷移に関する情報を記憶する．モデルは時系列の要素のなかでも入力頻度の高いものを重要と判断し，優先的に記憶する．また入力される要素の遷移に関する情報を状態ベクトルという形で表現し，階層型ニューラルネットワークにより記憶する．状態ベクトルは過去の入力系列の情報を保持しているため，提案モデルは文脈を表現することも可能である．本論文では計算機実験を行い，提案モデルが記憶容量の有効利用を図りながら，周囲の環境の変化に適応的に知識の獲得が可能であることを示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In this paper, we proposed an adaptive and sequential learning network model (ASLN model). ASLN model is a neural network model for sequential learning of temporal sequences under restriction of memory capacity. The proposed model can successively learn elements and its transitions from input data given to the model under restriction of memory capacity. The model memorizes elements inputted high-frequency preferentially. Information on transition is represented as a state vector and stored in hierarchical neural network.The model can represent a temporal sequence which contains a context. We carried out computer simulations and confirmed that the proposed model is capable of learning the knowledge of temporal sequences with adapting to change in the environment with using a given memory capacity effectively.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10505667
• 書誌情報: 情報処理学会研究報告数理モデル化と問題解決（MPS）; 巻 2004, 号 130(2004-MPS-052), p. 13-16, 発行日 2004-12-20
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会